#RAG详细解析

RAG详细解析导读 RAG（检索增强生成）是让大模型"查资料再回答"的技术。本系列从核心原理讲到文档处理、切片策略、向量检索、混合检索、重排序、流水线组装，覆盖 RAG 全流程的 18 篇深度解析。 阅读顺序 序 篇目 内容 1 01RAG

图结构：Graph RAG 传统RAG的套路是：用户问一个问题，去知识库里找到最相关的几段文字，交给大模型生成回答。这个模式处理"单跳"问题很在行——答案就在某一段文档里，找到就行。 但有些问题不是这样的。 比如用户问："教《Spring

Embedding向量化原理与模型选型 假设你是个媒人，手里有1000个单身男女的资料，要给他们配对。 每个人的资料是一段文字描述： 小王：28岁程序员，喜欢打游戏看动漫，宅男一枚，偶尔爬山 小李：26岁设计师，热爱旅行摄影，周末喜欢逛展览

向量数据库选型实战指南 买房子要考虑什么？ 预算多少？（成本） 几口人住？（规模） 上班远不远？（性能） 将来要换大房子吗？（扩展性） 物业靠不靠谱？（维护成本） 选向量数据库也是一样的逻辑。 没有"最好的"向量数据库，只有"最适合你场景的

混合检索的详细剖析 向量检索是RAG的核心，但它不是万能的。 来看一个真实场景：你搭了一个技术文档问答系统，知识库里存了几百篇Spring相关的文档。用户问"SpringBoot 3.2.1的启动流程有什么变化"，向量检索返回了什么？大概率

向量检索核心算法深度剖析 前面我们已经把文档块变成了向量，也知道了要把这些向量存到专门的数据库里。但有一个最关键的问题还没解决—— 当用户丢过来一个问题，系统怎么在几十万甚至上百万个向量里，又快又准地挑出最相关的那几条？ 最直觉的做法当然是

为什么要问题重写 你有没有遇到过这种情况：用户问了一个很正常的问题，RAG系统返回的结果却牛头不对马嘴？ 比如在一个在线教育的客服系统里，用户先问了"Python入门课多少钱"，助手回答了价格，然后用户接着问"那它有没有证书"——这个"它"

元数据的过滤场景 前面讲了怎么给文本块"上户口"（元数据设计），这篇来聊聊检索的时候怎么用这些户口信息——也就是元数据过滤。 向量检索的核心能力是语义匹配——找到意思最接近的文档。但有些场景下，语义相似不等于答案正确。 举个实际遇到的例子：

重排序的好处是什么 上一篇讲了混合检索，通过向量+关键词两条路并行召回，再用RRF融合，大幅提升了召回率。但有个问题还没解决：召回的文档排序准吗？ 打个比方，你是技术主管，要招一个"精通Redis且有分布式系统经验"的后端开发。HR帮你从简

查询的路由是必不可少的 你有没有想过一个问题：用户发了一句"你好"，你的RAG系统会怎么处理？ 如果没做任何分流，它会老老实实地把"你好"丢进向量库做相似度检索，然后可能匹配到"你好，欢迎使用XX产品"之类的文档片段，最后大模型基于这个片段

RAG的组件拼接成流水线 前面几篇文章，我们逐个拆解了RAG的各个环节：问题改写、意图识别、混合检索、重排序、元数据过滤。每个环节都是独立的模块，各自解决一个具体问题。 但在实际项目中，这些模块需要串起来形成一条完整的流水线。手动串联当然可

RAG入门与核心原理概述 先来看个真实的场景。 某公司花了大价钱接入了某知名大模型，想做一个智能客服。产品经理信心满满地上线了，结果第一天就翻车了 用户问："你们家XX3000型号打印机的墨盒怎么换？" AI客服回答得头头是道："首先打开打

分片代码实战：Spring系列 前面讲了分块策略的理论和ChunkViz可视化实验，这篇开始写具体的实现代码。 Java生态中主要有三个框架支持文档分片： 框架 特点 推荐度 Spring AI 官方只提供TokenTextSplitter

RAG三代进化史与架构选型 还记得诺基亚那个年代吗？手机只能打电话发短信，拍照是奢侈功能，像素还低得可怜。后来有了智能机，拍照能力一代比一代强——从单摄到双摄，从双摄到三摄，从普通拍照到AI算法加持。 RAG技术的演进也是类似的路子。 从最

元数据的详细解析 上一篇聊了文档分块的各种姿势，把长文档切成小块之后，你会发现一个问题：每个块就剩一段光秃秃的文字，完全不知道它从哪来、该给谁看、出了问题怎么找。这就像把一本书撕成碎片，每片纸上虽然有字，但没人知道这是哪本书的第几页。 这篇

文档切片策略选择 假设你点了一个超大的披萨，18寸的那种。 直接抱着吃？不现实。得切成小块。 但怎么切有讲究： 切太大，嘴巴塞不下 切太小，馅料都掉了，吃起来没味道 切得位置不对，可能把一块完整的培根切成两半 文档分片也是同样的道理。 大模

文档预处理读取清洗与标准化 下厨房做饭，第一步是什么？ 不是开火，不是切菜，而是洗菜。 买回来的青菜上面有泥土、虫子、农药残留，不洗干净直接下锅，做出来的菜能好吃吗？ RAG也是一样的道理。 企业里的文档五花八门——PDF里混着图片和表格，

ChunkViz实验与可视化 上一篇讲了分块策略的理论，但光看文字描述可能还不够直观。 这篇用一个免费的在线工具——ChunkVizhttps://chunkviz.up.railway.app/，来可视化地展示不同分块策略的效果，让你亲眼

搞懂Tika才能做好RAG文档解析 先来个例子。 朋友小陈做了一个内部知识库系统——员工上传各种产品手册和技术文档，然后通过AI问答来检索。系统上线当天，领导试了一下： "我们XX200系列的安装步骤是什么？" AI回答得特别自信： "XX